[發明專利]一種基于組合算法的MEMS陀螺隨機誤差補償方法

在審

• 申請號: 202010747389.1
• 申請日: 2020-07-29
• 公開（公告）號: CN111896029A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 周冠武;閆效鶯;李皎;康磊
• 申請（專利權）人: 西安石油大學
• 主分類號: G01C25/00
• 分類號: G01C25/00;G06F17/16;G06F17/18;G06N3/04;G06N3/08
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 弋才富

1.一種基于組合算法的MEMS陀螺隨機誤差補償方法，其特征在于，包括以下步驟：

步驟1：基于旋轉試驗臺，采樣MEMS陀螺連續時間輸出的角速率數據作為原始輸出數據；

步驟2：選取部分采樣數據，轉換為樣本數據；從中選取訓練樣本和驗證樣本，設置極限學習機算法參數；

步驟3：以訓練樣本作為極限學習機隨機誤差模型的輸入，進行模型學習；

步驟4：以驗證樣本對步驟3得到的極限學習機隨機誤差模型進行驗證；

步驟5：判斷模型輸出值與驗證樣本實際值的均方根誤差RMSE是否滿足要求；若滿足誤差要求，則結束；否則，增加一個隱層節點且轉向步驟3；

步驟6：建立基于上述隨機誤差模型的極大后驗卡爾曼濾波，并對陀螺漂移數據進行濾波。

2.根據權利要求1所述的一種基于組合算法的MEMS陀螺隨機誤差補償方法，其特征在于，所述步驟3的極限學習機MEMS陀螺隨機誤差模型的學習流程包括下列步驟：

步驟3.1：對輸入層與隱層之間的權值向量w_i與閾值b_i進行隨機賦值，范圍為(0,1)，其中為隱層節點數；

步驟3.2：計算訓練樣本數據的隱層輸出矩陣H，其中其中n為訓練樣本數目，X＝[ω]，ω為角速率；

步驟3.3：采用奇異值分解算法求解H的廣義逆矩陣

步驟3.4：計算隱層與輸出層之間的權值矩陣其中O＝[ω₂…ω_n+1]^T。

3.根據權利要求1所述的一種基于組合算法的MEMS陀螺隨機誤差補償方法，其特征在于，所述步驟4極限學習機隨機誤差模型的驗證流程包括下列步驟：

步驟4.1：輸入驗證樣本數據，計算極限學習機的輸出O_j,n^t為測試樣本數；

步驟4.2：將極限學習機的預測結果與驗證樣本中的實際數據進行比較，計算均方根誤差

4.根據權利要求1所述的一種基于組合算法的MEMS陀螺隨機誤差補償方法，其特征在于，所述步驟6的建立基于隨機誤差模型的極大后驗自適應卡爾曼濾波的流程包括下列步驟：

步驟6.1：建立離散卡爾曼濾波的狀態方程與量測方程；

狀態方程：X_k＝ELM(X_k-1)+W_k-1

量測方程：Z_k＝X_k+V_k

式中，ELM是隨機誤差模型函數，X_k是k時刻系統狀態，Z_k是k時刻量測值，W_k是系統噪聲向量，V_k是量測噪聲向量；

步驟6.2：采用極大后驗估計方法計算系統噪聲與量測噪聲；

k時刻系統噪聲誤差均值與協方差

式中，為j、j-1時刻的狀態后驗估計，為j時刻的系統噪聲誤差均值；

k時刻量測噪聲誤差均值與協方差

式中，為j、j-1時刻的狀態后驗估計，Z_j、為j時刻的量測值、量測噪聲誤差均值；

步驟6.3：確定濾波流程與初值，對漂移數據進行濾波；

①

②

③

④

⑤

⑥

為k時刻的狀態前驗估計，A為狀態轉移矩陣，K_k為k時刻的增益矩陣，為k時刻的前驗協方差矩陣，P_k為k時刻的更新協方差矩陣；

取P的初值為P₀＝0，X的初值取陀螺輸出的第一個值即根據k時刻的量測Z_k，遞推計算得k時刻的狀態估計